論文の概要: DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection

• arxiv url: http://arxiv.org/abs/2207.05536v1
• Date: Tue, 12 Jul 2022 13:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 12:57:39.887543
• Title: DTG-SSOD: Dense Teacher Guidance for Semi-Supervised Object Detection
• Title（参考訳）: DTG-SSOD:半監督対象検出のためのDense Teacher Guidance
• Authors: Gang Li, Xiang Li, Yujie Wang, Yichao Wu, Ding Liang, Shanshan Zhang
• Abstract要約: 半教師対象検出(SSOD)において平均教師(MT)方式が広く採用されている 本稿では,Inverse NMS Clustering (INC) と Rank Matching (RM) を提案する。
• 参考スコア（独自算出の注目度）: 42.75316070378037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Mean-Teacher (MT) scheme is widely adopted in semi-supervised object detection (SSOD). In MT, the sparse pseudo labels, offered by the final predictions of the teacher (e.g., after Non Maximum Suppression (NMS) post-processing), are adopted for the dense supervision for the student via hand-crafted label assignment. However, the sparse-to-dense paradigm complicates the pipeline of SSOD, and simultaneously neglects the powerful direct, dense teacher supervision. In this paper, we attempt to directly leverage the dense guidance of teacher to supervise student training, i.e., the dense-to-dense paradigm. Specifically, we propose the Inverse NMS Clustering (INC) and Rank Matching (RM) to instantiate the dense supervision, without the widely used, conventional sparse pseudo labels. INC leads the student to group candidate boxes into clusters in NMS as the teacher does, which is implemented by learning grouping information revealed in NMS procedure of the teacher. After obtaining the same grouping scheme as the teacher via INC, the student further imitates the rank distribution of the teacher over clustered candidates through Rank Matching. With the proposed INC and RM, we integrate Dense Teacher Guidance into Semi-Supervised Object Detection (termed DTG-SSOD), successfully abandoning sparse pseudo labels and enabling more informative learning on unlabeled data. On COCO benchmark, our DTG-SSOD achieves state-of-the-art performance under various labelling ratios. For example, under 10% labelling ratio, DTG-SSOD improves the supervised baseline from 26.9 to 35.9 mAP, outperforming the previous best method Soft Teacher by 1.9 points.
• Abstract（参考訳）: Mean-Teacher (MT) スキームは半教師対象検出(SSOD)において広く採用されている。 mtでは、教師の最終的な予測(例えば、非最大抑制(nms)後の処理)によって提供されたスパース擬似ラベルが、手作りのラベル割り当てによって学生の密集した監督に採用される。 しかし,Sparse-to-DenseパラダイムはSSODのパイプラインを複雑にし,教師の指導力の強化を同時に無視する。 本稿では,教師の密集した指導を直接活用し,生徒の学習,すなわち密集した学習パラダイムを監督することを試みる。 具体的には,従来の分散擬似ラベルを使わずに,密集した監督をインスタンス化する逆nmsクラスタリング (inc) とランクマッチング (rm) を提案する。 incは、教師が行うように、候補者ボックスを nms のクラスタにグループ化し、教師の nms 手順で明らかになったグループ化情報を学習することによって実施する。 学生は、INCを介して教師と同じグループ化スキームを得た後、ランキングマッチングにより、クラスタ化された候補者よりも教師のランク分布を模倣する。 提案する inc と rm では,教師指導を半教師対象検出 (dtg-ssod と呼ぶ) に統合し,ばらばらな擬似ラベルの放棄に成功し,ラベルなしデータに対するより情報的な学習を可能にした。 COCOベンチマークでは、DTG-SSODは様々なラベル付け比で最先端の性能を達成する。 例えば、10%のラベル付け比率でDTG-SSODは、教師付きベースラインを26.9から35.9mAPに改善し、以前の最良のメソッドであるSoft Teacherを1.9ポイント上回った。

関連論文リスト

• Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection [134.05510658882278]
  Cyclic-Bootstrap Labeling (CBL) は、弱制御されたオブジェクト検出パイプラインである。 様々な改良モジュールを活用するために、重み付けされた指数移動平均戦略を使用する。 重み付きアンサンブル型教師ネットワークの出力を活用するために, クラス別ランキング蒸留アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-11T07:57:17Z)
• Improving Knowledge Distillation via Regularizing Feature Norm and Direction [16.98806338782858]
  知識蒸留(KD)は、大きな訓練されたモデル(例えば教師)を利用して、同じタスクのために同じデータセット上で小さな学生モデルを訓練する。 教師の特徴を知識として扱うこと、知識蒸留訓練の学生は、その特徴を教師の特徴と整合させることによって、例えば、ロジット間のKL偏差を最小化し、中間特徴間のL2距離を最小化する。 教師に対する生徒の特徴の整合性の向上は教師の知識をよりよく蒸留すると考えるのは自然なことだが、単にこの整合性を強制することは生徒のパフォーマンスに直接寄与しない。
  論文  参考訳（メタデータ） (2023-05-26T15:05:19Z)
• Semi-Supervised Semantic Segmentation via Gentle Teaching Assistant [72.4512562104361]
  擬似ラベル付きラベル付きラベル付きデータは,特徴抽出器における代表的特徴の学習を容易にすることができると論じる。 そこで本研究では,擬似ラベルが特徴抽出器やマスク予測器に与える影響を解消する新しい枠組みであるジェントル指導アシスタント(GTA-Seg)を提案する。
  論文  参考訳（メタデータ） (2023-01-18T07:11:24Z)
• Improving Localization for Semi-Supervised Object Detection [3.5493798890908104]
  予測された有界ボックスのフィルタリングを改善するために,有界ボックスのローカライゼーションのための追加の分類タスクを導入する。 我々のIL-netは制限付きアノテーション方式でデータセット上でSSOD性能を1.14%向上させることを示した。
  論文  参考訳（メタデータ） (2022-06-21T08:39:38Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• Graph Consistency based Mean-Teaching for Unsupervised Domain Adaptive Person Re-Identification [54.58165777717885]
  本論文では,教師ネットワークと学生ネットワークの間にGCC(Graph Consistency Constraint)を構築するためのGCMT(Graph Consistency Based Mean-Teaching)手法を提案する。 マーケット-1501、デュークMTMCreID、MSMT17の3つのデータセットの実験により、提案されたGCMTは最先端の手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2021-05-11T04:09:49Z)
• Unbiased Teacher for Semi-Supervised Object Detection [50.0087227400306]
  SS-OD(Semi-Supervised Object Detection)を再検討し,SS-ODにおける擬似ラベルバイアス問題を特定する。 学生と徐々に進歩する教師を相互に利益ある方法で共同で訓練するシンプルで効果的なアプローチであるUnbiased Teacherを紹介します。
  論文  参考訳（メタデータ） (2021-02-18T17:02:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。